一种改进的多目标优化算法
w h e r e : x = ( x , x , …, x ) ∈X 1 2 n y = ( y , y , …, y ) ∈Y 1 2 k
( 3 ) ( 4 )
x 是自变量向量, y 是目标向量; X是自变量空间; Y是目 其中: ( x )≤ 0确 定 可 行 解。 多 目 标 优 化 问 题 标空 间, 约束 g m a x ( f ( X ) ) 中的相关定义如下: 定义 1 P a r e t o 支配。对于任意的自变量向量 X , X : ∈X 1 2 ( X )< f ( X ) , 称X a r e t o 支配 X , 记为 X ; 当且仅当 f X i 1 i 2 2P 1 2 1 当且仅当 f ( X ) ( X ) , 称X a r e t o 弱支配 X , 记为 X ≤f i 1 i 2 2P 1 2 X ( i = 1 , 2 , …, m ) 。 1 定义 2 P a r e t o 最优解。对于一个自变量向量 X ∈ X , 若
·4 4 6g ( x )= ( g ( x ) , g ( x ) , …, g x ) ) ≤0 1 2 m(
计 算 机 应 用 研 究
( 2 )
第2 9卷
参数 λ 1和 λ 2 分别代表参与产生新个体的父代个体。λ 1和 λ 2 分别为
( ( p p )- ( p p ) ) / 2 λ Δ 1= 1+ 2 2- 1 ( ( p p )- ( p p ) ) / 2 λ Δ 2= 1+ 2 1- 2 ( 9 ) ( 1 0 )
[ 6 ] 后来又出现了处理约束问题的优化算法( M O C P S O ) 可以将
p s i l o n 支配概念的 e p 约束问题转换为多目标优化问题, 基于 e
7 ] s i l o n M O E A算法 [ 可以防止解丢失的问题, 在这些优化算法
中多数都有额外参数的设置问题, 需要人工参与运算, 自适应 性不太理想。基于此, 提出了一种中心均值重组自适应多目标 优化算法( I M O O A ) , 在算法中改进模拟交叉算子, 沿用 N S G A Ⅱ算法所采用的拥挤距离对个体进行排序。通过实例测试和 N S G A 该算法能有效解决了实参多目标 Ⅱ算法进行比较表明, 优化问题, 且在解的收敛性、 分布性以及算法的自适应程度均 表现较好。
的S P E A 2算法。这两种算法是目前比较常见的多目标算法, 它们的优点较多, 但缺点也较明显。N S G A Ⅱ 的优点是全局搜 索性能良好, 解集具有良好的分布性, 在算法中使用拥挤距离 排序不会使算法陷入到局部最优; 缺点是在高维问题中, 解集 的多样性不理想, 而且在算法后期选择解的保留时很容易造成
第2 9卷第 1 2期 2 0 1 2 年1 2月
计 算 机 应 用 研 究 A p p l i c a t i o nR e s e a r c ho f C o m p u t e r s
V o l . 2 9N o . 1 2 D e c . 2 0 1 2
一种改进的多目标优化算法
樊纪山1,王经卓1,熊盛武2
( 1 . S h o o l o f E l e c t r o n i c E n g i n e e r i n g ,H u a i h a i I n s t i t u t e o f T e c h n o l o g y ,L i a n y u n g a n gJ i a n g s u2 2 2 0 0 5 ,C h i n a ;2 . S c h o o l o f C o m p u t e r ,W u h a n U n i v e r s i t yo f T e c h n o l o g y ,W u h a n4 3 0 0 7 0 ,C h i n a )
收稿日期:2 0 1 2 0 6 0 6 ;修回日期:2 0 1 2 0 7 1 9 基金项目:国家自然科学基金资助项目( 6 1 1 7 4 0 1 3 , 6 0 5 7 2 0 1 5 ) 作者简介: 樊纪山( 1 9 7 5 ) , 男, 山东临沂人, 讲师, 硕士, 主要研究方向为机器学习、 演化计算( f j s s z w 2 0 0 5 @1 2 6 . c o m ) ; 王经卓( 1 9 7 3 ) , 男, 教 授, 博士, 主要研究方向为检测与控制; 熊盛武( 1 9 6 6 ) , 男, 教授, 博士, 主要研究方向为机器学习、 智能计算.
( 1 . 淮海工学院 电子工程学院,江苏 连云港 2 2 2 0 0 5 ;2 . 武汉理工大学 计算机学院,武汉 4 3 0 0 7 0 ) 摘 要:为了提高非劣解向 P a r e t o 最优面收敛的速度以及解的多样性, 设计了一种新的杂交算子并改进了 N S G A 采用中心均值重组算子策略增强算法全局快速搜索能力, 以获得最佳的 P a r e t o 近似 Ⅱ算法。在此算法中, S G A 解, 同时,改进 N Ⅱ快速非支配排序和拥挤机制将父代与子代的双种群进行截短,确保最优解不会丢失并 保证解的多样性。数据实验表明, 该算法能在解的收敛性、 分布性以及自适应程度上均表现较好。 关键词:多目标优化;中心均值重组;自适应交叉;P a r e t o 最优 中图分类号:T P 1 8 3 文献标志码:A 文章编号:1 0 0 1 3 6 9 5 ( 2 0 1 2 ) 1 2 4 4 6 3 0 3 : 1 0 . 3 9 6 9 / j . i s s n . 1 0 0 1 3 6 9 5 . 2 0 1 2 . 1 2 . 0 1 4 d o i
A b s t r a c t :T h i s p a p e r p r o p o s e dan o v e l m u l t i o b j e c t i v ee v o l u t i o n a r ya l g o r i t h mb a s e do nan o v e l c r o s s o v e r o p e r a t i o na n di m i no r d e r t o h e i g h t e nf u r t h e r r a t e o f c o n v e r g e n c e o f s o l u t i o n s t o P a r e t o o p t i m a l f r o n t a n de n s u r e t h e d i v e r s i t y o f p r o v e s N S G A Ⅱ, o p t i m a l s o l u t i o n . I nt h ea l g o r i t h m , t h e c r o s s o v e r o p e r a t o r p a r a m e t e r w a s a d a p t i v e f o r e n h a n c i n g t h ea b i l i t yo f g l o b a l f a s t s e a r c h t o a c h i e v e b e t t e r P a r e t oa p p r o x i m a t e s o l u t i o n s . M o r e o v e r , i t i m p r o v e df a s t r a n k i n gm e c h a n i s m s a n dc r o w i n gd i s t a n c es o r t i n go f N S G A r u n c a t e s t h e p o p u l a t i o ns e t f o r m e db y t h e p a r e n t s a n dt h e n e wp o i n t s , i no r d e r t o e n s u r e t h e o p t i m a l s o l u t i o nn o t b e Ⅱt l o s t a n dt oe n s u r e t h ed i v e r s i t y o f o p t i m a l s o l u t i o n . T h e e x p e r i m e n t a l r e s u l t s s h o wt h a t t h ep r o p o s e da p p r o a c hi s a b l et oe f f e c , d i v e r s i t y a n d t h e d e g r e e o f t i v e l ys o l v et h e r e a l p a r a m e t e r m u l t i o b j e c t i v e p r o b l e m s a n d h a s b e t t e r p e r f o r m a n c e o n c o n v e r g e n c e c o n t r o l l i n gs e l f a d a p t i v e . K e yw o r d s :m u l t i o b j e c t i v e o p t i m i z a t i o n ;m e a n c e n t r i cr e c o m b i n a t i o n ;s e l f a d a p t i v e c r o s s o v e r ;P a r e t o o p t i m a l
3 ] 精英解的丢失 [ 。S P E A 2的优点在于可以取得一个分布度较
多目标优化问题
一个通常的多目标优化问题( M O P ) 包含 n个自变量的集 合、 k 个目标函数的集合、 m 个约束限制的集合和目标函数及 约束都是自变量的函数。以最大化问题为例, M O P表示为
m a x i m i z e : y = f ( x )= ( f ( x ) ,f ( x ) , …,f ( x ) ) 1 2 k ( 1 )